ブランド・アルトマンプロット

元のプロットは、個々のデータポイント間の差の散布図を表示します。差は、新しい参照システムからゴールドスタンダードを引いた値になります。^{[ 2 ]}差の平均が水平方向にプロットされ、一致限界がこの平均差の線と平行にプロットされます。一致限界は、ほとんどの差がシステム間に存在する信頼区間を表します。平均差は、2 つのシステム間の一般的なバイアスを表します。平均差が正の場合は、参照システムが一般的にゴールドスタンダードに対してより大きな値を生成することを示し、平均差が負の場合は、参照システムが一般的に検証済みシステムよりも低い値を生成することを示します。^{[ 2 ]}平均差が 0 に近い場合は、2 つのシステム間で一致していることを示しますが、一致限界はより微妙なニュアンスを示します。

一致限界はデフォルトでデータの標準偏差に依存するため、差の分布は正規分布に従わなければなりません。差の分布が正規分布でない場合は、正規分布に依存しない一致限界を代わりに使用できます。このトピックに関するBlandとAltmanのフォローアップ論文では、このような場合、差のパーセンタイルが適切な代替手段であると説明しています。^{[ 4 ]}

いずれにせよ、一致限界は平均差よりもシステム間の一致度をより正確に示します。一致限界が所定の閾値内にある場合、新しい参照システムはゴールデンスタンダードシステムの適切な代替物であると言えます。閾値は、データの規模、システムの性質、およびそれらが使用される状況に大きく依存します。^{[ 6 ]}

95%一致限界は、特にサンプルサイズが小さい場合、母集団パラメータの信頼性の低い推定値となる可能性があるため、方法を比較したり再現性を評価したりする際には、95%一致限界の信頼区間を計算することが重要です。これは、BlandとAltmanの近似法^{[ 2 ]またはより精密な方法[ 7 ]}によって行うことができます。

適切なサンプルサイズを決定することは、Bland–Altman 分析において重要な考慮事項であり、推定される一致限界の精度と、測定方法間の臨床的に意味のある差を検出する統計的検出力に影響します。歴史的に、Bland–Altman 研究の検出力またはサンプルサイズ計算を実行する方法に関する正式なガイダンスは限られていました。Martin Bland による初期の推奨事項では、一致限界の信頼区間の予想される幅からサンプルサイズを推定することを提案しましたが、このアプローチはタイプ II エラーを明示的に考慮しておらず、典型的な研究デザインでは不十分なサンプルサイズになる可能性があります。^{[ 8 ]}

より厳密なアプローチは、後にLuら（2016）によって導入され、測定差の分布と臨床的一致の事前定義された限界に基づいて検出力を評価し、サンプルサイズを決定するための統計的フレームワークが提案されました。^{[ 9 ]}彼らの方法は、タイプIIエラー制御を明示的に組み込み、特定の統計的検出力（通常80%）を目標とする研究に必要なサンプルサイズのより正確な推定値を提供します。その研究のシミュレーション研究では、実際の条件下でこの方法が良好なパフォーマンスを示すことが実証されましたが、著者らはこのアプローチを実装するための公開ソフトウェアを提供しませんでした。

現在、いくつかのソフトウェアパッケージには、Luらの方法論の実装が含まれています。市販の統計ソフトウェアMedCalc は、Bland–Altman 分析用のサンプルサイズと検出力推定ツールを提供しています。^{[ 10 ]}さらに、R パッケージblandPowerにはオープンソースの実装があり、検出力曲線を推定し、必要なサンプルサイズを決定し、サンプルサイズの関数として信頼区間の幅を視覚化する機能を提供しています。blandPowerパッケージは、 Bland–Altman フレームワークを使用した方法比較研究の検出力とサンプルサイズ計算の再現性とアクセス性を向上させるために開発されました。

データの大きさに比例して差が大きくなる場合、そのデータは「比例バイアス」を持つと言われます。このバイアスに対応するために、プロットを視覚化し、その後の分析を行う方法は数多くあります。^{[ 11 ]}

まず、線形回帰分析によって関連する傾向を明らかにすることができます。回帰点周辺のすべての点で差分の分布が等しい場合、データは等分散性であると言われ、傾向は単純な比例バイアスとなります。逆に、データのさまざまな値でデータのばらつきが大きい場合、差分は異分散性であると言われ、これはさらに重要な意味を持ちます。Breusch –Pagan検定やWhite検定などの統計的検定は、異分散性の統計的指標を提供できます。

異分散データを用いたプロットの典型的な例としては、差分の変動がデータの大きさに比例して増加し、拡大する「v」字型として視覚化されるものがある。^{[ 11 ]}このような場合、生の差分ではなく、システム間のデータポイントの割合を視覚化することが適切である可能性がある。 ^{[ 12 ]}同様に、差分のプロットを対数的に視覚化することもできる。^{[ 11 ]}いずれの場合も、2 つのシステム間の関係は、線形関係ではなく乗法関係を示している。これはまた、データの大きさがシステムの精度変動と相関していることを示している。